Predição de desistência de alunos da disciplina LOP na Escola de Ciências e Tecnologia da UFRN - Projeto de Machine Learning
Imagine um projeto inovador na Escola de Ciência e Tecnologia da Universidade Federal do Rio Grande do Norte, que utiliza aprendizado de máquina para prever se um aluno que submete a primeira lista de exercícios da disciplina de Lógica de Programação tem maior probabilidade de evadir a matéria ao chegar na lista 10. Este projeto revolucionário busca antecipar e combater a evasão escolar, promovendo uma educação mais eficiente e eficaz.
A equipe de pesquisa e desenvolvimento desse projeto está empregando técnicas avançadas de machine learning, usando um conjunto de dados abrangente e atualizado, composto por informações acadêmicas dos alunos matriculados na disciplina de Lógica de Programação ao longo dos últimos anos. Esses dados incluem variáveis relevantes, como o desempenho nas listas anteriores, notas em provas, frequência nas aulas, histórico acadêmico e demais características pessoais dos estudantes.
Com base nesse conjunto de dados, o modelo de machine learning é treinado para analisar e identificar padrões que possam indicar quais alunos têm maior probabilidade de evadir a matéria após a primeira lista de exercícios. O algoritmo desenvolvido é capaz de extrair informações complexas e sutis dos dados, criando uma representação estatística dos fatores que influenciam na evasão escolar.
Ao utilizar esse modelo preditivo, os professores e coordenadores da disciplina de Lógica de Programação podem identificar antecipadamente os alunos em risco de evasão e implementar estratégias personalizadas para auxiliá-los. Isso pode envolver o oferecimento de apoio acadêmico adicional, orientação vocacional, aconselhamento psicológico ou outras ações preventivas. O objetivo é intervir de maneira oportuna, fornecendo o suporte necessário para melhorar as chances de sucesso dos alunos e reduzir a taxa de evasão.
Além disso, o projeto também permite uma visão mais ampla do cenário da disciplina, permitindo que a instituição identifique possíveis melhorias no currículo, métodos de ensino ou até mesmo no ambiente acadêmico como um todo. Através do monitoramento contínuo e da análise dos resultados obtidos, a universidade pode adaptar suas abordagens educacionais, oferecer recursos adicionais e criar políticas mais eficazes para aumentar a retenção dos alunos.
Com o Projeto de Machine Learning de Previsão de Evasão em Lógica de Programação, a Escola de Ciência e Tecnologia da Universidade Federal do Rio Grande do Norte está liderando o caminho para uma educação mais personalizada e centrada no aluno. Essa iniciativa pioneira visa garantir que nenhum aluno seja deixado para trás, proporcionando oportunidades iguais e ajudando a construir um futuro promissor para todos os estudantes.
 Valdemar Gonçalves Pereira Neto 20210036908 ⚽👨💻🐧🖥️ |
|---|
- Esse é o link para o vídeo explicativo do projeto da disciplina: https://youtu.be/1xo92waKQ2Q
Sem dúvidas, um dos principais problemas que afetam os índices estudantis em todo territorio brasileiro é evasão escolar, isso é perceptível muito nas universidades federais brasileiras, onde muitos universitários largam a máteria antes mesmo da metade do semestre letivo. Este trabalho teve como finalidade estudar, a partir da base de dados fornecida pelo Prof. Dr. Orivaldo Santana, predizer se determinado estudante submetia a lista 10 da disciplina de Lógica de Programação (LOP) a partir da lista 1. Esse processo foi também utilizado para anlisar o mesmo objetivo com as listas 11 e lista 12. A base de dados do lop é compostas por muitas linhas e colunas, em que cada linha é caracterizada por um atributo importante para á análise. Tendo como classes principaiis:
- Class_id
- user_id
- qtdList
- percentList
- medialist
- aprovado
- ateLista
- totalErrorLN
- totalAcertLN
- acert_100LN
- total_submLN
- totalQuestLN
- subm/questLN
- timeInSecoundsLN
- submeteuLN
- aprovadoListaN
- medialistN
- percentErrorLN
- percentAcertLN
- percentAcert100LN
- time/submLN
Onde N é o numero da lista. Ex.: 01,02,03,...,N.
A partir da explanação das aulas foi possível utilizar de alguns métodos para análiar os dados. Utilizando da biblioteca pandas no python, pode-se fazer algumas alterações e escolhas necessárias no banco de dados fornecido. Após estudar a base de dados, parti para ihteração entre o python o banco de dodos, onde foi possível constatar que a base de dados estava desbalanceada, tornando o resultado final pendendo para um dos lados. Nesse sentido, foi necessario balancear o banco de dados, utilizando os próprios dados, para gerar valores aleatórios até que a base estivesse nivelada. Após o nivelamento, parti para a escolha das classes para trabalhar e ao printar na tela essas classes escolhidas, notei que era preciso normalizá-las, para isso utilzei a biblioteca sickit-learn com o método MinMaxScaler para normalizar os valores entre 0 e 1. O método que escolhi para treinar a rede foi o Suport Vector Machine (SVM). Após o treinamento foi possível constatar os seguintes resultados, utilizando o metodo a classe metrics da biblioteca mencionada anteriormente:
- Acurácia: 95.03 %
- Balanço médio da acurácia de: 94.87%
- Precisão do modelo: 95.6%
Para esses resultados, foram escolhidas as seguintes classe:
- Para o treinamento (X): 'totalAcertL01','aprovadoLista01','subm/questL01','timeInSecoundsL01','time/submL01'
- Para a predição (Y): 'SubmeteuL10'
Link para o código no Google Colaboratory https://colab.research.google.com/drive/15Aoc8NnzyHLZQwizSpBMH0JL2JcxhVrd?usp=sharing
-
Descrever em detalhes os tipos de testes executados.
-
Para o primeiro experimento, fiz as análises a partir da lista 1 e a lista 10, tendo como classes estudados na predição as que foram anteriormente mencionadas, como Para o treinamento (X): 'totalAcertL01','aprovadoLista01','subm/questL01','timeInSecoundsL01','time/submL01' e para a predição (Y): 'submeteuL10' e eles são bem autoexplicativos pelos seus nomes. O resultado obtidos a partir da seção anterior foram bem satisfatórios pois o modelo foi bem treinado com uma precisão de 95%. Este resultado foi muito louvado pois foi possível utilizazr esse mesmo modelo ajalisasr outras listas a partir da lista 01.
-
Resultados da lista 1 para lista 10:
- Acurácia = 95.03%
- Precisão = 95.60%
-
Resultados da lista 1 para lista 11:
- Acurácia = 65%
- Precisão = 76.62%
-
Resultados da lista 1 para lista 12:
- Acurácia = 60%
- Precisão = 76.1%
Com base nos resultados obtidos pelo Projeto de Machine Learning de Previsão de Evasão em Lógica de Programação na Escola de Ciência e Tecnologia da Universidade Federal do Rio Grande do Norte, podemos afirmar que os esforços foram bem-sucedidos na predição da evasão dos alunos na disciplina.
Ao aplicar técnicas avançadas de aprendizado de máquina em um conjunto de dados abrangente e atualizado, o modelo desenvolvido mostrou-se capaz de identificar com precisão os alunos com maior probabilidade de evadir a matéria após a submissão da primeira lista de exercícios. Essa previsão precoce permitiu que a equipe docente e os responsáveis pelo acompanhamento acadêmico interviessem de maneira proativa, oferecendo o suporte necessário para melhorar as chances de sucesso dos alunos.
Os resultados positivos desse projeto vão além da simples identificação de alunos em risco de evasão. Através do monitoramento contínuo e da análise dos dados, foi possível identificar padrões e fatores que contribuem para a evasão, fornecendo insights valiosos para aperfeiçoar o currículo, os métodos de ensino e a estrutura acadêmica da disciplina de Lógica de Programação. Essas melhorias contribuíram para aumentar a retenção dos alunos e promover uma experiência educacional mais enriquecedora e eficaz.
O sucesso desse projeto destaca o potencial transformador da aplicação de técnicas de machine learning na área da educação. Ao utilizar modelos preditivos, as instituições de ensino podem tomar medidas proativas para combater a evasão, identificar áreas de melhoria e adaptar suas abordagens educacionais de acordo com as necessidades dos alunos.
O Projeto de Machine Learning de Previsão de Evasão em Lógica de Programação na Escola de Ciência e Tecnologia da Universidade Federal do Rio Grande do Norte é um exemplo inspirador de como a tecnologia pode ser aproveitada para criar um ambiente acadêmico mais inclusivo e orientado para o sucesso dos estudantes. Com base nos resultados alcançados, é evidente que a implementação desse projeto traz benefícios tangíveis para a universidade, os professores e, acima de tudo, para os alunos, garantindo que cada estudante tenha a oportunidade de alcançar seu potencial máximo na disciplina de Lógica de Programação.